CHEDEGJIAN-Scipy学习笔记¶
In [1]:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
登月图片消噪¶
In [2]:
from scipy.fftpack import fft2
In [3]:
moon = plt.imread('../data/moonlanding.png')
In [5]:
plt.figure(figsize=(10,8))
plt.imshow(moon, cmap='gray')
Out[5]:
In [ ]:
# 第一步: 使用傅里叶变换,把图片变成频率
# 第二步,把高频点(噪点) 赋值为0
# 第三步, 进行傅里叶逆变换
# 第四步, 去虚保实
In [7]:
moon
Out[7]:
In [33]:
moon_fft = fft2(moon)
moon_fft
Out[33]:
In [18]:
# 绝对值大于某一频率(阈值)的点我们认为是高频点即噪点
moon_fft[np.abs(moon_fft) > 8e2] = 0
In [21]:
moon_fft
Out[21]:
In [34]:
result = np.where(np.abs(moon_fft) > 8e3, 0, moon_fft)
result
Out[34]:
In [ ]:
np.argwhere()
In [11]:
# 逆变换
from scipy.fftpack import ifft2
In [35]:
moon_ifft = ifft2(result)
moon_ifft
Out[35]:
In [36]:
# 去虚保实
moon_cleaned = np.real(moon_ifft)
In [15]:
plt.figure(figsize=(10,8))
plt.imshow(moon, cmap='gray')
Out[15]:
In [37]:
plt.figure(figsize=(10,8))
plt.imshow(moon_cleaned, cmap='gray')
Out[37]:
scipy.fftpack模块用来计算快速傅里叶变换
速度比传统傅里叶变换更快，是对之前算法的改进
图片是二维数据，注意使用fftpack的二维转变方法
In [38]:
np.pi
Out[38]:
In [ ]:
S = pi * r^2
S = pi
In [ ]:
求半径是1的圆的面积.
让圆的圆心在原点处
In [ ]:
(x - a)^2 + (y - b)^2 = r^2
In [ ]:
x^2 + y^2 = 1
In [ ]:
y = (1 - x ^2 )^0.5
In [41]:
x = np.linspace(-1,1, 100)
y = (1 - x**2)**0.5
plt.plot(x, y, x, -y)
plt.axis('equal')
Out[41]:
X2 + Y2 = 1,半径是1
pi×r**2,只要求得面积--->pi
In [42]:
from scipy import integrate
首先画一个圆
圆的面积是？
使用scipy.integrate进行积分，调用quad()方法
In [44]:
f = lambda x: (1 - x**2)**0.5
In [46]:
half_pi, deviation = integrate.quad(f, -1, 1)
In [47]:
half_pi * 2
Out[47]:
In [50]:
half_pi
Out[50]:
In [48]:
np.pi
Out[48]:
In [49]:
deviation
Out[49]:
Scipy文件输入/输出¶
随机生成数组，使用scipy中的io.savemat()保存
文件格式是.mat，标准的二进制文件
In [ ]:
.mat
In [51]:
import scipy.io as spio
In [52]:
spio.savemat('./moon.mat', {'moon': moon_cleaned})
使用io.loadmat()读取数据
In [53]:
data = spio.loadmat('./moon.mat')
data
Out[53]:
In [54]:
plt.figure(figsize=(10,8))
plt.imshow(data['moon'], cmap='gray')
Out[54]:
In [55]:
from scipy import misc
In [58]:
from PIL import Image, ImageFilter
In [59]:
cat = Image.open('../data/cat.jpg')
cat
Out[59]:
In [71]:
# 各种滤镜效果
cat.filter(ImageFilter.BLUR)
Out[71]:
图片处理¶
使用scipy.misc.face(gray=True)获取图片，使用ndimage移动坐标、旋转图片、切割图片、缩放图片
导包，读取图片显示图片
In [73]:
face = misc.face()
plt.figure(figsize=(10,8))
plt.imshow(face)
Out[73]:
shift移动坐标
In [80]:
# {'reflect', 'constant', 'nearest', 'mirror', 'wrap'}
face_shift = ndimage.shift(face, (200, 300, 0), mode='wrap')
plt.figure(figsize=(10,8))
plt.imshow(face_shift)
Out[80]:
rotate旋转图片
In [84]:
face_rotate = ndimage.rotate(face, angle=60)
plt.figure(figsize=(10,8))
plt.imshow(face_rotate)
Out[84]:
zoom缩放图片
In [85]:
face = misc.face(gray=True)
plt.figure(figsize=(10,8))
plt.imshow(face, cmap='gray')
Out[85]:
In [87]:
face_zoom = ndimage.zoom(face, zoom=(0.6, 0.8))
plt.figure(figsize=(10,8))
plt.imshow(face_zoom, cmap='gray')
Out[87]:
切割图片
In [88]:
face_cut = face[270:480, 480:760]
plt.figure(figsize=(10,8))
plt.imshow(face_cut, cmap='gray')
Out[88]:
图片进行过滤
添加噪声，对噪声图片使用ndimage中的高斯滤波、中值滤波、signal中维纳滤波进行处理
使图片变清楚
In [98]:
face_noise = face.copy()
In [99]:
face_noise = face_noise.astype('float64')
In [100]:
face_noise += np.random.randn(*face_noise.shape) * face_noise.std() * 0.5
In [92]:
face_noise.std()
Out[92]:
In [101]:
face = misc.face(gray=True)
plt.figure(figsize=(10,8))
plt.imshow(face_noise, cmap='gray')
Out[101]:
加载图片，使用灰色图片misc.face()添加噪声
高斯滤波sigma：高斯核的标准偏差
In [105]:
face_gaussian = ndimage.gaussian_filter(face_noise, sigma=1)
plt.figure(figsize=(10,8))
plt.imshow(face_gaussian, cmap='gray')
Out[105]:
中值滤波参数size：给出在每个元素上从输入数组中取出的形状位置，定义过滤器功能的输入
In [110]:
face_median = ndimage.median_filter(face_noise, size=5)
plt.figure(figsize=(10,8))
plt.imshow(face_median, cmap='gray')
Out[110]:
signal维纳滤波mysize：滤镜尺寸的标量
In [111]:
from scipy import signal
In [116]:
face_wiener = signal.wiener(face_noise, mysize=5)
plt.figure(figsize=(10,8))
plt.imshow(face_wiener, cmap='gray')
Out[116]:
In [117]:
cat
Out[117]:
In [118]:
cat = plt.imread('../data/cat.jpg')
In [119]:
cat_rotate = ndimage.rotate(cat, angle=90)
plt.imshow(cat_rotate)
Out[119]:
